自适应超参ANN磨损模型

43%误差降幅

自动超参调优与迁移学习驱动，单传感器数据实现高效特征扩展与重用。

Yau, Herterng · Ping-Huan, Kuo · Song-Wei, Hong

Engineering Applications of Artificial Intelligence 2024

参数信息

平均绝对误差

0.03527

均方根误差

0.05135

决定系数

0.9611

MAE 降低比例

43.2 %

RMSE 降低比例

43.5 %

R² 提升比例

9.5 %

技术优势

单传感器即可用

从机床加工参数和单一传感器信号中提取与刀具磨损相关的特征，避免多传感器复杂的设置与特征分析。

误差降四成

与随机森林等常见模型相比，MAE 降低 43.2%，RMSE 降低 43.5%。

自动调参

通过自动超参数调优结合通用优化器优化网络结构，无需人工反复试参即可获得最佳预测模型。

应用场景

• 铣削加工：在铣削加工中实时预测刀具磨损，优化换刀时机。
• 刀具状态监测：通过单传感器信号监测刀具状态，减少多传感器布置成本。
• 预测性维护：提前预测刀具磨损，支持维护计划，避免非计划停机。
• 制造数据分析：利用加工参数与传感器数据提取特征，提升制造数据分析效率。
• AI驱动质量控制：借助高精度预测模型，保障加工表面质量稳定。